11.05.2021

3 Mythen rund um „Künstliche Intelligenz“ entmystifiziert

Jan Nössner gilt als herausragender Experte für Künstliche Intelligenz (KI) und Machine Learning und arbeitet am Standort Wien für den internationalen IT-Dienstleister Nagarro. Im Brutkasten-Talk erläutert der Experte, warum wir in unserer Gesellschaft und Wirtschaft die Künstliche Intelligenz entmystifizieren müssen.
/artikel/3-mythen-rund-um-kuenstliche-intelligenz-entmystifiziert

Die erwarteten Wachstumszahlen in Bezug auf künstliche Intelligenz (KI) sind beachtlich: Bis 2027 soll der globale Markt für künstliche Intelligenz mit einer durchschnittlichen Wachstumsrate von rund 43 Prozent wachsen und im Jahr 2027 einen Wert von 733,6 Milliarden Euro betragen.

Die größten Branchengewinne werden im Einzelhandel, bei Finanzdienstleistungen und im Gesundheitswesen zu verzeichnen sein, da KI die Produktivität, die Produktqualität und den Konsum steigert.

Dennoch gibt es in der Gesellschaft und Wirtschaft noch immer Vorbehalte und falsche Erwartungen gegenüber der KI – angefangen von Datenschutz bis hin zum vermeintlichen Wegfall von Arbeitsplätzen.

Künstliche Intelligenz ist kein Mysterium mehr

Künstliche Intelligenz und Machine Learning müssen allerdings kein Mysterium sein. Bereits seit mehrere Jahren beschäftigt sich der internationale IT- und Software-Dienstleister Nagarro nicht nur in konkreten Kundenprojekten mit KI, sondern auch mit den Erwartungshalten, die in der Gesellschaft und Wirtschaft vorherrschen.

Bis lang hat Nagarro 100 KI bezogene Projekte realisiert. Das Trendthema ist mittlerweile ein eigener Kompetenz-Bereich und Teil des Portfolios geworden. Mehr als 500 Daten-Spezialisten sind für die KI-Projekte global verfügbar. Zudem beschäftigen sich rund 100 Data Scientists intensiv mit Gestaltungs- und Orchestrierungsfragen. Mit Jan Nössner war einer von ihnen am Montag zu Gast im Brutkasten-Talk und erläuterte, warum wir in unserer Gesellschaft und Wirtschaft die Künstliche Intelligenz entmystifizieren müssen.

Über den Experten:
Jan Nössner gilt als herausragender Experte für Künstliche Intelligenz (KI) und Machine Learning und absolvierte seinen PhD in Computer Science. Nössner sammelte in Australien mehrere Jahre Erfahrung in führenden IT-Unternehmen, die sich unter anderem auf Software-Entwicklung für Bergbau-Minen spezialisierten. 2020 fasste Nössner den Entschluss mit seinem gesammelten Wissen zurück nach Europa zu kommen, um am Standort Wien für den internationalen Software- und IT-Dienstleister Nagarro zu arbeiten. In seiner Arbeit für Nagarro beschäftigte er sich beispielsweise mit Fragestellungen, wie KI & Machine Learning im Bereich Software-Testing eingesetzt werden können.

1. Mythos: KI ersetzt den Menschen

Wichtige Einsatzgebiete für Machine Learning sieht Nagarro überall dort, wo automatisierte KI-Lösungen den Mitarbeitern langweilige und ständig wiederkehrende Aufgaben abnehmen können, sodass ihnen mehr Zeit für spannendere Themen bleibt. Auf diese Weise führt die KI zu einer Veränderung der Jobs, übernimmt frustrierende und fehleranfällige Tätigkeiten, erhöht die Mitarbeiterzufriedenheit und somit indirekt auch die Kundenzufriedenheit. Im Unternehmen entstehen mit der KI gleichzeitig neue Wege für Wissensmanagement, im Kundenservice und in der Prognose. „Die KI wird, soll und kann den Menschen nicht ersetzen, sondern uns dafür Zeit geben, worauf wir wirklich Spaß haben“, so Jan Nössner im Talk.

2. Mythos: KI Systeme speichern alle unsere Daten 

Tatsächlich speichern Machine Learning Modelle keine exakten persönlichen Daten bzw. nicht in einer Form, die missbräuchlich verwendbar ist. Sobald ein KI-Modell angewandt wird, werden alle Daten gewissermaßen anonymisiert eingesetzt. 

Zum Beispiel: Speichert das KI-System ein Bild einer Person, so ist dieses in dem Maße abstrahiert das einzelne Charakteristika zwar gespeichert werden, aber im gesamten ein abstrahiertes Bild ergeben.  Würde das Modell das Bild im Original nutzen, wären die Einzelinformationen zu spezifisch, also „overfitted“, d.h. das Modell könnte keine generellen Aussagen ableiten. 

Zugriff auf die bereitgestellten persönlichen Daten haben lediglich die Experten, welche das KI-Modell trainieren, somit ist ein vertraulicher Umgang mit den Daten sichergestellt. Bei Bedarf greift Nagarro auch auf Partnerlösungen zu, welche z.B. Video-Daten anonymisieren.

3. Mythos: Für KI-Lösungen brauchen wir bessere Daten? Falsch!

Viele Unternehmen denken, sie könnten keine KI-Lösungen einsetzen, weil die Datenlage nicht ausreichen würde. Nagarros KI-Experte Nössner widerspricht: Ausnahmslos jedes Unternehmen hat zahlreiche Daten und meist sind diese Daten erstaunlich gut zu nutzen. Für KI- Lösungen ist irrelevant, ob Daten aus einfachen Listen, oder aus einem aufwändigen Data Lake stammen. 

Die Vorteile von KI und Machine Learning kompakt zusammengefasst:

Schnelle Reaktionszeit: Häufig lassen sich ständig wiederkehrende Prozesse von der Maschine mindestens um Faktor 10 schneller ausführen.

Automatisierung von Prozessen: Eine wertvolle Hilfe für den intelligenten Kundenkontakt! KI kann schnelle Lösungen für Standardfälle oder auch persönliche Intervention in komplexen Fällen einleiten.

Verhalten analysieren: Nagarro setzt etwa für Chatbots Sentiment Analysen ein. Aus der natürlichen Sprache der Kunde erkennt das System, ob Personen verärgert oder unzufrieden reagieren. Der Bot fragt dann proaktiv, ob er die Kunden mit einem Servicemitarbeiter verbinden soll. So wird etwaiger Unzufriedenheit bereits sehr früh entgegengewirkt.

Verbessern der Machine Learning Modelle: Mitarbeiter interagieren laufend mit der KI, bestätigen z.B. vorgeschlagene Vorgangsweisen, oder korrigieren sie. Jeglicher Input fließt in das System ein und steht dem Nächsten durch kontinuierliches Lernen verbessert zur Verfügung.  

Kumulierte Wissensbasen: Speziell im Service Bereich ist es oft notwendig, Informationen aus verschiedensten Fachbereichen zu extrahieren und in einer Knowledge Base zusammenzufassen. Nagarro kombiniert hierfür AI Techniken mit intelligenten Datenstrukturen, wie Ontologien oder Graph Datenbanken.

Auswertungen: Nagarros Accelerator hat standardmäßig innovative, interaktive Dashboards integriert, welche die Performance kontinuierlich messen. Mögliche Auswertungen aus KI Tools sind: Zeitersparnis, Häufigkeiten von Anfragen nach Kategorien, Erfolgsraten, Felder für Verbesserungen, Qualitätsanalysen.
(c) Nagarro

Deine ungelesenen Artikel:
15.09.2026

Ablatic AI: Linzer LLM Talos spielt ohne VC-Kapital in einer Liga mit internationalen KI-Playern

Das nun gelaunchte Large Language Model (LLM) Talos des Linzer Startups Ablatic AI kann sich in mehreren Benchmarks mit den internationalen KI-Giganten messen. Co-Founder und CEO Florian Zimmermann erklärte uns, wie das ohne VC-Kapital möglich ist und wie man nun den Markt erobern will.
/artikel/ablatic-ai-linzer-llm-talos-spielt-ohne-vc-kapital-in-einer-liga-mit-internationalen-ki-playern
15.09.2026

Ablatic AI: Linzer LLM Talos spielt ohne VC-Kapital in einer Liga mit internationalen KI-Playern

Das nun gelaunchte Large Language Model (LLM) Talos des Linzer Startups Ablatic AI kann sich in mehreren Benchmarks mit den internationalen KI-Giganten messen. Co-Founder und CEO Florian Zimmermann erklärte uns, wie das ohne VC-Kapital möglich ist und wie man nun den Markt erobern will.
/artikel/ablatic-ai-linzer-llm-talos-spielt-ohne-vc-kapital-in-einer-liga-mit-internationalen-ki-playern
Die Ablatic-AI-Gründer vl. Florian Zimmermann (CEO) und Julian Mauerkirchner (CTO) | (c) Ablatic AI
Die Ablatic-AI-Gründer vl. Florian Zimmermann (CEO) und Julian Mauerkirchner (CTO) | (c) Ablatic AI

Wieder einmal ist es Linz. Die Stahlstadt mausert sich immer mehr zu Österreichs KI-Hauptstadt und auch eines der bislang sicher ambitioniertesten Startups in dem Bereich kommt von dort: Ablatic AI. Mit Talos wagt es sich über die Herausforderung schlechthin in der KI-Welt: ein eigenes Large Language Model (LLM) – brutkasten berichtete bereits.

Bei einer Benchmark vor Sol von OpenAI

Nun erfolgte der offizielle Launch und Ablatic gab erste Benchmark-Vergleiche aus (siehe Tabelle unten). An Claude Opus 5 kommt man demnach noch in keiner Kategorie ganz heran, in mehreren aber ziemlich nahe. DeepSeek V4 kann man dagegen gleich bei drei Werten schlagen, Qwen3.8 von Alibaba bei zwei und OpenAIs Flagship-Modell GPT-5.6 Sol immerhin bei einem, konkret der exakten Befolgung schriftlicher Anweisungen (IFBench). Unterm Strich spielt das Linzer LLM also in den vorgelegten Benchmarks in der internationalen Top-Liga mit.

„Es kann ja nicht sein, dass es in Europa nur Mistral gibt“

Aber warum überhaupt noch ein weiteres LLM? „Julian [Anm. Mauerkirchner] und ich kennen uns schon seit der Schule. Später haben wir als Unternehmer damit gestartet, Legacy-ERP-Systeme zu erneuern. Dabei sind wir auf ein Problem gestoßen: Wir konnten dafür aus Daten-Gründen keine US-KI-Systeme nutzen“, erzählt CEO Florian Zimmermann, der Ablatic AI gemeinsam mit Julian Mauerkirchner (CTO) gegründet hat, im Gespräch mit brutkasten. Man habe nur Mistral aus Frankreich oder Open-Source-Modelle verwenden können. „Mistral war für den Zweck aber nicht passend und unser Business Case bald tot“.

Mit dem Entschluss, eine neue Idee zu verfolgen, sei daher auch eine neue Motivation einher gegangen: „Es kann ja nicht sein, dass es in Europa nur Mistral gibt“, so Zimmermann. Man habe sich danach mit der Johannes Kepler Universität Linz (JKU) kurzgeschlossen und sei darüber auch zur AI Factory Austria AI:AT gekommen, wo man wiederum im Rahmen des EuroHPC-Programms europäische Hochleistungsrechenressourcen nutzt, um das Modell zu trainieren. „Ohne diese EU-Ressourcen würde es kostentechnisch überhaupt nicht gehen“, sagt Zimmermann.

Öffentliche Forschungsergebnisse statt eigenes Riesen-Research-Team

Doch auch mit diesen Ressourcen – wie lässt sich ein konkurrenzfähiges LLM mit einem kleinen Team und bislang gänzlich ohne VC-Kapital umsetzen? Schließlich beschäftigen die globalen KI-Player, mit denen sich Ablatic misst, riesige Teams. Mistral etwa ist mit seiner kürzlich kommuniziert Drei-Milliarden-Euro-Finanzierungsrunde im Vergleich zu Anthropic und OpenAI nach wie vor ein kleiner Fisch (brutkasten analysierte).

„Wir können kein 200-köpfiges Research-Team finanzieren und gleich von 0 auf 100 gehen, also greifen wir auf Bestehendes zurück“, erklärt der Gründer. Konkret verwende man einerseits Open-Source-Layer und code sie auf die eigenen Bedürfnisse um. Andererseits nutze man die neuesten Forschungsergebnisse von Universitäten wie dem MIT oder Stanford, die laufend über die Plattform arXiv veröffentlicht werden. „Wir orientieren uns an der Frontier-Forschung. Wir analysieren die Paper, legen die Erkenntnisse auf unsere Architektur um und testen es durch. Vieles davon funktioniert nicht, aber alles was funktioniert, bringt uns weiter“, so Zimmermann.

Mehr als 100 B2B-Testkunden – viele konvertieren gleich zum Launch

Die Beta-Version wurde nun bereits seit einiger Zeit mit mehr als 100 Unternehmen getestet – Ablatic konzentriert sich nämlich vorerst klar auf den B2B-Markt. Man habe für diese Tests schnell auch größere Unternehmen und Konzerne gewonnen. „Ich bin dafür wochenlang gesessen, habe Leute angeschrieben und einen Call nach dem anderen gemacht“, räumt Zimmermann ein. Dass man ein eigenes LLM und nicht nur eine Oberfläche baue, sei dabei zum entscheidenden Bonus geworden. „Und dass wir von der JKU kommen und im EuroHPC-Programm sind, hat unsere Glaubwürdigkeit enorm gesteigert“, sagt der Gründer.

Jetzt zum Launch würden viele der Testkunden bereits zu regulären Nutzern konvertieren, viele weitere noch die Testphase abschließen, mit dem Vorhaben, das dann auch zu tun, verrät Zimmermann. „Wir werden nicht 100 Prozent, aber einen Großteil konvertieren können“, ist er sicher. Punkten will Ablatic dabei nicht nur mit der europäischen Herkunft – Stichwort: Digitale Souveränität – sondern auch mit dem Pricing. „Wir haben eine relativ effiziente Architektur. Wir können kostengünstig hosten und das an die Kunden weitergeben“, so der CEO. Dass der offizielle Launch genau jetzt erfolgt, hat vor allem mit dem Gründungsprozess zu tun, der länger dauerte, als erhofft. „Ich gründe nie wieder im Sommer ein Unternehmen“, sagt der Gründer lachend.

Investment geplant: „Das Ziel ist definitiv, keine kleine Bude zu bleiben“

Und wie geht es weiter? „Wir wollen zuerst im DACH-Raum Fuß fassen und ohne große weitere Standorte skalieren. Dann wollen wir es auf Europa hochziehen“, erläutert Zimmermann. Auf Dauer werde dabei auch die Aufnahme von VC-Kapital relevant, vor allem wenn es darum gehe, die nächste Modell-Version herauszubringen. „Dann ist es wichtig, dass man schnell skaliert und iteriert. Wir sind stolz darauf, dass wir ein Modell ohne VC-Kapital trainiert haben. Wir haben gezeigt, dass auch so Großes möglich ist. Aber langfristig ist es völlig logisch, dass wir Kapital aufnehmen müssen“, sagt der Gründer.

Und es seien bereits mehrere Investoren aktiv auf das Team zugekommen, mit einigen befinde man sich schon in Gesprächen. „Das Ziel ist definitiv, keine kleine Bude zu bleiben, sondern eine größere Firma zu werden. Wir wollen jedenfalls nicht in Vergessenheit geraten“, so Zimmermann. Und der Zeitpunkt sei angesichts der Souveränitätsdebatte gut.


Benchmark-Vergleichstabelle

Anmerkungen zur Tabelle:

  • Fette Zahlen: Höchster Wert in der jeweiligen Zeile unter den Vergleichsmodellen.
  • „text-only“: Das Modell verarbeitet keine Bilder/visuellen Dokumente, weshalb OmniDocBench nicht anwendbar ist.
  • „–“: Kein veröffentlichter Wert vorhanden.

Kurzerklärungen der Benchmarks

  • Agents‘ Last Exam (UC Berkeley): Prüft langwierige, echte Arbeitsaufgaben an einem Computer (Terminal und Bildschirm zusammen), bewertet anhand des fertigen Gesamtergebnisses.
  • AutomationBench (Zapier): Testet 600 Business-Workflows über 47 simulierte Unternehmens-Softwaretools hinweg, die vollständig durchgehend ausgeführt werden müssen.
  • Toolathlon: Bewertet das Erledigen von Aufgaben in echter Büro-Software (z. B. E-Mail, Kalender, Tabellenkalkulationen und GitHub) über deren direkte Schnittstellen.
  • BrowseComp (OpenAI): Stellt schwierige Fragen, deren Antworten über das gesamte Internet verstreut liegen und durch selbstständiges Surfen recherchiert werden müssen.
  • DeepSWE v1.1 (Datacurve): Misst das eigenständige Beheben echter Softwareprobleme (Bugs) in bestehenden Quellcode-Sammlungen. Hinweis: Talos-1 wurde hierfür nicht optimiert und liegt 22 Punkte hinter der Spitze zurück.
  • OmniDocBench: Bewertet das fehlerfreie Lesen und Verstehen echter Dokumente inklusive visueller Layouts, Tabellen und mathematischer Formeln.
  • IFBench: Prüft die exakte Einhaltung von schriftlich vorgegebenen Anweisungen und Formatierungsregeln.
Toll dass du so interessiert bist!
Hinterlasse uns bitte ein Feedback über den Button am linken Bildschirmrand.
Und klicke hier um die ganze Welt von der brutkasten zu entdecken.

brutkasten Newsletter

Aktuelle Nachrichten zu Startups, den neuesten Innovationen und politischen Entscheidungen zur Digitalisierung direkt in dein Postfach. Wähle aus unserer breiten Palette an Newslettern den passenden für dich.

Montag, Mittwoch und Freitag

AI Summaries

3 Mythen rund um „Künstliche Intelligenz“ entmystifiziert

AI Kontextualisierung

Welche gesellschaftspolitischen Auswirkungen hat der Inhalt dieses Artikels?

Leider hat die AI für diese Frage in diesem Artikel keine Antwort …

3 Mythen rund um „Künstliche Intelligenz“ entmystifiziert

AI Kontextualisierung

Welche wirtschaftlichen Auswirkungen hat der Inhalt dieses Artikels?

Leider hat die AI für diese Frage in diesem Artikel keine Antwort …

3 Mythen rund um „Künstliche Intelligenz“ entmystifiziert

AI Kontextualisierung

Welche Relevanz hat der Inhalt dieses Artikels für mich als Innovationsmanager:in?

Leider hat die AI für diese Frage in diesem Artikel keine Antwort …

3 Mythen rund um „Künstliche Intelligenz“ entmystifiziert

AI Kontextualisierung

Welche Relevanz hat der Inhalt dieses Artikels für mich als Investor:in?

Leider hat die AI für diese Frage in diesem Artikel keine Antwort …

3 Mythen rund um „Künstliche Intelligenz“ entmystifiziert

AI Kontextualisierung

Welche Relevanz hat der Inhalt dieses Artikels für mich als Politiker:in?

Leider hat die AI für diese Frage in diesem Artikel keine Antwort …

3 Mythen rund um „Künstliche Intelligenz“ entmystifiziert

AI Kontextualisierung

Was könnte das Bigger Picture von den Inhalten dieses Artikels sein?

Leider hat die AI für diese Frage in diesem Artikel keine Antwort …

3 Mythen rund um „Künstliche Intelligenz“ entmystifiziert

AI Kontextualisierung

Wer sind die relevantesten Personen in diesem Artikel?

Leider hat die AI für diese Frage in diesem Artikel keine Antwort …

3 Mythen rund um „Künstliche Intelligenz“ entmystifiziert

AI Kontextualisierung

Wer sind die relevantesten Organisationen in diesem Artikel?

Leider hat die AI für diese Frage in diesem Artikel keine Antwort …

3 Mythen rund um „Künstliche Intelligenz“ entmystifiziert